기존의 대규모 Automated Guided Vehicles(AGVs) 함대는 핸드오프 지연과 간섭을 포함한 네트워크 환경 관련 문제를 겪는다. 최근 5G 기술이 이러한 네트워크 문제를 해결하기 위한 실용적인 도구로 부상하였다. 이에 따라 5G 기술에 기반한 대규모 AGV 함대의 구축에 대한 경향이 점차 증가하고 있다. 일반적으로 AGV는 경로 계획 및 AGV 스케줄링과 같은 작업을 담당하는 AGV 제어 시스템(ACS)에 의해 제어된다. AGV 스케줄링은 적절한 시점에, 적절한 차량에, 적절한 작업을 배정하는 과정이다. 이 과정은 특히 대규모 함대에서 AGV 함대의 성능에 상당한 영향을 미친다. 그러나 기존의 AGV 스케줄링 접근법은 대규모 함대에서 흔히 발생하는 교통 혼잡을 거의 고려하지 않는다. 이러한 공백을 메우기 위해, 본 연구는 대규모 AGV 함대를 위한 시뮬레이션 기반의 혼잡 인지 AGV 스케줄링 접근법을 제안한다. 제안하는 접근법은 혼잡 함수, 혼잡 패널티, 혼잡 인지 스케줄링 규칙의 세 가지 구성요소로 특징지어진다. 혼잡 함수는 작업장 내 특정 지점 또는 구역에서의 혼잡 정도를 산출하는 데 사용된다. 혼잡 패널티는 AGV 경로 네트워크에서 특정 구간을 차량이 통과할 때 발생하는 손실을 나타낸다. 혼잡 인지 스케줄링 규칙은 작업 및 차량 디스패칭을 위한 의사결정 논리를 제공한다. 우리는 이러한 구성요소를 개괄하고, AGV 함대를 포함하는 이산사건 시뮬레이션(DES) 모델에 적용한다. 실험 결과는 제안된 접근법이 교통 혼잡으로 인해 AGV 시스템에 발생하는 비효율을 감소시킴을 보여준다.

최근 수년간 자동 유도 차량(AGV)은 제조 공장 내 자재 취급 절차와 물류 유통 센터에서의 자동화를 위해 널리 도입되어 왔다. AGV 스케줄링은 AGV에 대해 운송 작업을 배정하는 절차이며, 이는 다수의 AGV로 구성된 AGV 시스템의 효율에 큰 영향을 미친다. 다중 AGV 시스템의 운용을 최적화하기 위해서는 버퍼 공간의 제한과 배터리 충전과 같은 현실적인 문제를 고려하여 AGV 스케줄링 결정을 내려야 한다. 그러나 선행 연구들은 이러한 문제를 종종 간과해 왔다. 이러한 공백을 메우기 위해 본 논문은 제한된 버퍼 수용력과 배터리 충전이 있는 실제 작업 현장을 대상으로 시뮬레이션 기반 다중 AGV 스케줄링 절차를 제안한다. 또한 실제 작업 현장에서의 AGV 스케줄링을 위해 작업 선택 규칙, AGV 선택 규칙, 충전 스테이션 선택 규칙의 세 가지 유형의 규칙을 제안한다. 규칙의 성능은 다중 시나리오 시뮬레이션 실험을 통해 평가된다. 실험을 위해 FlexSim 소프트웨어 v.2022를 사용하여 시뮬레이션 모델을 개발하였으며, 실험 결과는 작업 선택 규칙이 다른 유형의 규칙보다 평균 대기 시간에 더 큰 영향을 미치는 것으로 나타났다.

산업 현장에서 산업안전보건은 여러 요인이 직업성 질병과 부상을 유발할 수 있다는 점에서 가장 어려운 문제 중 하나이다. 로보틱스, 자동화 및 기타 최첨단 기술은 추가적인 부상과 사고를 초래할 수 있는 위험을 내포한다. 그러나 현재 직장에서 위험을 평가하는 데 사용되는 도구들은 수작업을 필요로 하며 주관성이 매우 높다. 이러한 도구에는 체크리스트와 전문가가 수행하는 작업 평가가 포함된다. 디지털 트윈과 같은 디지털 기반의 산업 4.0 기술, 즉 현실 세계에서의 물리적 자산에 대한 디지털 세계에서의 컴퓨터화된 표현은 인간 근로자에게 안전하고 건강한 작업 환경을 제공하고 직업성 부상과 사고를 줄이는 데 활용될 수 있다. 이러한 디지털 트윈은 인간 근로자에 관한 데이터를 수집, 처리 및 분석하도록 설계되어야 한다. 문제는 인간 중심 디지털 트윈을 구축하는 것이 상당히 어렵고 다양한 최신 하드웨어 및 소프트웨어 구성 요소의 통합이 필요하다는 점이다. 본 논문은 새롭게 부상하는 연구 분야로 간주되는 산업안전보건 적용에 초점을 두고, 디지털 트윈에 관한 최근 연구 논문들을 간략히 개관하는 것을 목적으로 한다. 저자들은 가상 환경에서 인간 데이터 획득과 인간 표현을 가능하게 하는 기술, 데이터 처리 절차, 그리고 이러한 응용의 목표에 주목한다. 또한 본 논문은 기존 연구의 한계에 대해 논의하고 향후 연구 방향을 제안한다.

데이터 분석은 법률 서비스 과정에서 생성되는 데이터를 처리하기 위한 중요 도구와 방법을 제공한다. 본 논문은 법률 분야에서 정량적 데이터 분석 알고리즘의 적용에 관한 연구 논문들을 체계적으로 조사하는 것을 목적으로 한다. 이를 위해 관련 연구 논문들을 수집하여 데이터 분석 기반 Legal Tech에 대한 연구의 주제와 동향을 분석하는 데 활용하였다. 본 논문의 핵심 결과는 다음과 같다. 첫째, Legal Tech에 관한 연구 논문의 수가 최근 들어 급격히 증가하였다. 둘째, 법률 판결 데이터에 대한 지도학습(supervised learning) 기법의 적용은 본 연구 영역에서 매우 인기 있는 접근법이다. 셋째, 텍스트 형태의 법률 문서가 많이 존재한다는 점에서 법률 문서의 전처리는 매우 중요한 절차이다. 넷째, 인공신경망(artificial neural networks)과 그 변형들이 데이터 분석 기반 Legal Tech 관련 연구에서 널리 사용된다. 다섯째, 데이터 분석 기반 Legal Tech는 컴퓨터과학 및 사회과학 등과 관련된 다학제적 연구 주제이다.

기존의 대규모 Automated Guided Vehicles(AGVs) 함대는 핸드오프 지연과 간섭을 포함한 네트워크 환경 관련 문제를 겪는다. 최근 5G 기술이 이러한 네트워크 문제를 해결하기 위한 실용적인 도구로 부상하였다. 이에 따라 5G 기술에 기반한 대규모 AGV 함대의 구축에 대한 경향이 점차 증가하고 있다. 일반적으로 AGV는 경로 계획 및 AGV 스케줄링과 같은 작업을 담당하는 AGV 제어 시스템(ACS)에 의해 제어된다. AGV 스케줄링은 적절한 시점에, 적절한 차량에, 적절한 작업을 배정하는 과정이다. 이 과정은 특히 대규모 함대에서 AGV 함대의 성능에 상당한 영향을 미친다. 그러나 기존의 AGV 스케줄링 접근법은 대규모 함대에서 흔히 발생하는 교통 혼잡을 거의 고려하지 않는다. 이러한 공백을 메우기 위해, 본 연구는 대규모 AGV 함대를 위한 시뮬레이션 기반의 혼잡 인지 AGV 스케줄링 접근법을 제안한다. 제안하는 접근법은 혼잡 함수, 혼잡 패널티, 혼잡 인지 스케줄링 규칙의 세 가지 구성요소로 특징지어진다. 혼잡 함수는 작업장 내 특정 지점 또는 구역에서의 혼잡 정도를 산출하는 데 사용된다. 혼잡 패널티는 AGV 경로 네트워크에서 특정 구간을 차량이 통과할 때 발생하는 손실을 나타낸다. 혼잡 인지 스케줄링 규칙은 작업 및 차량 디스패칭을 위한 의사결정 논리를 제공한다. 우리는 이러한 구성요소를 개괄하고, AGV 함대를 포함하는 이산사건 시뮬레이션(DES) 모델에 적용한다. 실험 결과는 제안된 접근법이 교통 혼잡으로 인해 AGV 시스템에 발생하는 비효율을 감소시킴을 보여준다.

최근 수년간 자동 유도 차량(AGV)은 제조 공장 내 자재 취급 절차와 물류 유통 센터에서의 자동화를 위해 널리 도입되어 왔다. AGV 스케줄링은 AGV에 대해 운송 작업을 배정하는 절차이며, 이는 다수의 AGV로 구성된 AGV 시스템의 효율에 큰 영향을 미친다. 다중 AGV 시스템의 운용을 최적화하기 위해서는 버퍼 공간의 제한과 배터리 충전과 같은 현실적인 문제를 고려하여 AGV 스케줄링 결정을 내려야 한다. 그러나 선행 연구들은 이러한 문제를 종종 간과해 왔다. 이러한 공백을 메우기 위해 본 논문은 제한된 버퍼 수용력과 배터리 충전이 있는 실제 작업 현장을 대상으로 시뮬레이션 기반 다중 AGV 스케줄링 절차를 제안한다. 또한 실제 작업 현장에서의 AGV 스케줄링을 위해 작업 선택 규칙, AGV 선택 규칙, 충전 스테이션 선택 규칙의 세 가지 유형의 규칙을 제안한다. 규칙의 성능은 다중 시나리오 시뮬레이션 실험을 통해 평가된다. 실험을 위해 FlexSim 소프트웨어 v.2022를 사용하여 시뮬레이션 모델을 개발하였으며, 실험 결과는 작업 선택 규칙이 다른 유형의 규칙보다 평균 대기 시간에 더 큰 영향을 미치는 것으로 나타났다.

산업 현장에서 산업안전보건은 여러 요인이 직업성 질병과 부상을 유발할 수 있다는 점에서 가장 어려운 문제 중 하나이다. 로보틱스, 자동화 및 기타 최첨단 기술은 추가적인 부상과 사고를 초래할 수 있는 위험을 내포한다. 그러나 현재 직장에서 위험을 평가하는 데 사용되는 도구들은 수작업을 필요로 하며 주관성이 매우 높다. 이러한 도구에는 체크리스트와 전문가가 수행하는 작업 평가가 포함된다. 디지털 트윈과 같은 디지털 기반의 산업 4.0 기술, 즉 현실 세계에서의 물리적 자산에 대한 디지털 세계에서의 컴퓨터화된 표현은 인간 근로자에게 안전하고 건강한 작업 환경을 제공하고 직업성 부상과 사고를 줄이는 데 활용될 수 있다. 이러한 디지털 트윈은 인간 근로자에 관한 데이터를 수집, 처리 및 분석하도록 설계되어야 한다. 문제는 인간 중심 디지털 트윈을 구축하는 것이 상당히 어렵고 다양한 최신 하드웨어 및 소프트웨어 구성 요소의 통합이 필요하다는 점이다. 본 논문은 새롭게 부상하는 연구 분야로 간주되는 산업안전보건 적용에 초점을 두고, 디지털 트윈에 관한 최근 연구 논문들을 간략히 개관하는 것을 목적으로 한다. 저자들은 가상 환경에서 인간 데이터 획득과 인간 표현을 가능하게 하는 기술, 데이터 처리 절차, 그리고 이러한 응용의 목표에 주목한다. 또한 본 논문은 기존 연구의 한계에 대해 논의하고 향후 연구 방향을 제안한다.

데이터 분석은 법률 서비스 과정에서 생성되는 데이터를 처리하기 위한 중요 도구와 방법을 제공한다. 본 논문은 법률 분야에서 정량적 데이터 분석 알고리즘의 적용에 관한 연구 논문들을 체계적으로 조사하는 것을 목적으로 한다. 이를 위해 관련 연구 논문들을 수집하여 데이터 분석 기반 Legal Tech에 대한 연구의 주제와 동향을 분석하는 데 활용하였다. 본 논문의 핵심 결과는 다음과 같다. 첫째, Legal Tech에 관한 연구 논문의 수가 최근 들어 급격히 증가하였다. 둘째, 법률 판결 데이터에 대한 지도학습(supervised learning) 기법의 적용은 본 연구 영역에서 매우 인기 있는 접근법이다. 셋째, 텍스트 형태의 법률 문서가 많이 존재한다는 점에서 법률 문서의 전처리는 매우 중요한 절차이다. 넷째, 인공신경망(artificial neural networks)과 그 변형들이 데이터 분석 기반 Legal Tech 관련 연구에서 널리 사용된다. 다섯째, 데이터 분석 기반 Legal Tech는 컴퓨터과학 및 사회과학 등과 관련된 다학제적 연구 주제이다.

본 논문은 물류센터에서 개별 슬롯에 재고관리단위(SKU)를 배정하는 데 사용할 수 있는 휴리스틱 접근법을 고찰한다. 첫째, 우리는 두 가지의 새로운 전략, 즉 슬롯 선택(slot selection)과 빈발 아이템집합(frequent itemset) 묶음 전략을 제안한다. 전자는 단일 SKU에 대해 가장 적합한 슬롯을 찾는 데 사용되며, 후자는 SKU를 적절한 순서로 배열(시퀀싱)하는 데 사용된다. 둘째, 우리는 이 두 전략을 적용하여 여러 저장 위치 배정 휴리스틱을 개발한다. 특히, 휴리스틱은 자주 주문되는 SKU를 I/O(입출력) 지점에 가까운 슬롯에 배정하고, 함께 자주 주문되는 SKU들을 서로 가까운 슬롯들에 배정하도록 설계되었다. 그 결과, 제안된 휴리스틱은 물류센터에서 오더피커(order picker)의 이동 거리를 줄이는 데 도움이 된다. 본 논문에서는 오더피커가 유연한 경로를 따라 이동할 수 있도록 하는 경로 설정 정책에 기초하여 오더피커의 이동 거리를 계산한다. 설명을 위해, 우리는 대규모 물류센터에서 수집한 실제 데이터에 휴리스틱을 적용하였다. 실험 결과는 슬롯 선택 전략이 오더피커의 평균 이동 거리를 줄이는 데 매우 유용하며, 특히 탐욕적(greedy) 경로 설정 정책 하에서 그 효과가 두드러짐을 보여준다. 또한 빈발 아이템집합 묶음 전략은 슬롯 선택 전략과 함께 적용할 경우 평균 이동 거리의 추가 감소를 제공할 수 있다.

본 논문은 기계 선택과 작업(공정) 순서라는 두 가지 결정을 포함하는 유연 잡숍 스케줄링 문제(FJSP)를 해결하기 위해, 다중 염색체를 활용하는 새로운 유전 알고리즘(GA) 접근법을 제안한다. 일반적으로 전자는 범주형 값의 문자열로 표현되는 반면, 후자는 작업의 순서로 구성된다. 따라서 FJSP를 해결하기 위한 기존 GA의 염색체는 범주형 부분과 순차 부분의 두 구성요소로 이루어진다. 이 두 부분은 서로 다르기 때문에, 기존 GA를 사용하여 FJSP를 해결하기 위해서는 서로 다른 종류의 유전 연산자가 필요하다. 이에 반해 본 논문은 범주형 부분과 순차 부분 모두에 동일한 교차 전략을 적용할 수 있도록 하는 통합 GA 접근법을 제안한다. 통합 접근법을 구현하기 위해, 순차 부분은 후보 순서 기반 GA(Candidate order-based GA, COGA)를 적용하여 진화시키며, 이는 한 점(one-point) 교차 또는 두 점(two-point) 교차와 같은 전통적인 교차 전략을 사용할 수 있다. 이러한 교차 전략은 범주형 부분을 진화시키는 데에도 사용할 수 있다. 따라서 두 부분에 동일한 교차점을 사용한다면, 범주형 부분과 순차 부분을 동일한 방식으로 처리할 수 있다. 본 연구에서는 통합 접근법을 기존 COGA를 확장하여 통합 COGA(unified COGA, u-COGA)로 구성하였으며, 이를 FJSP를 해결하는 데 사용할 수 있다. 수치 실험 결과, u-COGA는 복잡한 구조를 갖는 FJSP를 해결하는 데 유용함을 보여주었다.

대부분의 대형 물류센터에서 주문 피킹(order picking) 프로세스는 노동 집약적이다. 주문 피킹의 효율을 높이면 해당 시설이 더 높은 제품 물량을 처리할 수 있다. 물류센터에서의 데이터 마이닝 적용은 효율 개선을 산출할 수 있는 잠재력이 있으며, 특히 이러한 기법을 물류센터가 접수하는 주문에서 생성되는 방대한 데이터들을 분석하는 데 사용하고 주문 패턴들 간의 상관관계를 규명하는 경우에 그러하다. 본 논문은 빈발 아이템셋(frequent itemset) 군집화와 비균일한 상품 가중치를 기반으로 주문 피킹 거리를 최적화하기 위한 휴리스틱 방법을 제안한다. 제안된 휴리스틱은 연관 규칙 마이닝(association rule mining, ARM)을 사용하여 재고 관리 단위(stock keeping units, SKUs) 간의 유사성을 바탕으로 제품 패밀리를 생성한다. 유사성이 더 높은 SKUs는 해당 패밀리의 다른 구성원들에 더 가깝게 배치된다. 이 휴리스틱은 식품 유통 산업의 실제 물류센터에서 수집된 데이터를 사용하여 수치 사례에 적용한다. 실험 결과는 데이터 마이닝에 기반하여 개발된 레이아웃이 주문을 피킹하는 데 필요한 이동 거리를 줄일 수 있음을 보여준다.

초록·키워드 목차 오류제보하기 Lead time at the manufacturing site is one of the most important performance indicators to meet the customer"s delivery date or to establish a production schedule plan. Lead time prediction is a very important role in establishing production schedule plans in most manufacturing sites. However, there are many uncertainties in the actual manufacturing system, such as machine failure, product reprocessing, and fluctuations in preparation time and processing time disrupt the prediction of accurate lead time. Therefore, this paper aims to predict and analyze the lead time of hybrid flow-shop with machine failure and reprocessing through a step-by-step experiment. In addition, in order to generate training data in predictive analysis, we intend to build hybrid flow-shop using manufacturing modeling simulation and apply lead time predictive analysis using data generated through it. In addition, we intend to show a predictive model with high accuracy in each situation by comparing and analyzing the variables through a step-by-step experiment in consideration of whether they are selected or reprocessed within the data generated in the simulation. #Artificial Neural Network(ANN) #Hybrid flow shop #Lasso regression #Lead-time prediction #Multiple regression #Regression analysis #Simulation ABSTRACT1. 서론2. 연구 배경3. 문제 정의4. 실험 결과5. 결론 및 추후 연구 과제References

스마트 공장에서 현대 정보통신기술 인프라의 주요 역할은 제조 자원으로부터 다양한 디지털 데이터를 수집하는 데 있다. 그러나 많은 제조 기업은 여전히 운영 관리에 관련된 데이터를 수집하는 데 상당한 어려움을 겪고 있다. 특히, 인간 작업자 및 자재 취급 장비와 같은 이동형 자원의 이동에 관한 데이터를 수집하기가 어렵다. 또한 제조 기업의 관리자들은 정보통신기술 인프라가 수집한 원시 데이터를 그 복잡성과 방대한 양으로 인해 활용하는 데 종종 큰 어려움을 겪는다. 이러한 공백을 메우기 위해, 본 논문은 이동형 자원 이동 데이터를 유연하게 수집하고 처리할 수 있는 실내 위치기반 이동형 자원 데이터 관리 시스템을 제안한다. 실내 위치기술은 물리적 객체의 위치를 실시간으로 추적할 수 있게 해주지만, 객체 위치의 3차원 좌표에 대한 시계열 데이터를 생성하며 이는 실제 사용에 적합하지 않다. 따라서 본 논문은 실내 위치기술을 전용 사용자 애플리케이션과 통합하여, 사용자가 어떤 종류의 데이터를 수집해야 하는지와 원시 데이터를 어떻게 변환해야 하는지를 정의할 수 있도록 하는 것을 목표로 한다.